8.3,一周打酱油工作回顾
2008-08-03 22:33
211 查看
进入机器视觉组打酱油已经是第七天了。然想到要写日记,那个许多大科学家不都有实验日记吗?等我挂了之后,我的某个传记作者可以这样写道:“承蒙Eager小女儿XXX女士的好意,使我有幸翻阅了Eager 22岁时的实验日记,我发现…………”,靠,倍儿有感觉。
所以为给将来为我写传记的潦倒文人提供方便,我要开始记流水帐了。
本周以来主要研究了几个算法:
XA:通过异或(Xor)运算和与(And)运算实现的运动目标识别法,使用3帧图像获得运动目标的轮廓。本质上是一种背景建模法。
迭代背景差法:通过多次背景建模来识别运动目标。每次建模时,把上次识别为前景的那些像素排除,然后用均值法构建背景。在最初的迭代中,使用宽松的前景识别标准,保证背景的“纯洁”。然后组建加强区分条件,以获得更准确的前景轮廓。
概率背景差法:通过正态分布模型来分辨前景和背景,允许背景色在一定显著性水平内波动。偏差超过临界值则认为是前景。对于正态分布模型的构建,我使用逐个去除小概率点的做法来估计均值和方差,但今天发现还有更好的做法:波动中位数最小法。
连通性处理:通过寻找连通分支的方法去除轮廓图中的噪点。效果不错。主要流程为:中度腐蚀-求3维最大连通分支-高度扩张-与原始图像做And运算-Open-Close运算
所以为给将来为我写传记的潦倒文人提供方便,我要开始记流水帐了。
本周以来主要研究了几个算法:
XA:通过异或(Xor)运算和与(And)运算实现的运动目标识别法,使用3帧图像获得运动目标的轮廓。本质上是一种背景建模法。
迭代背景差法:通过多次背景建模来识别运动目标。每次建模时,把上次识别为前景的那些像素排除,然后用均值法构建背景。在最初的迭代中,使用宽松的前景识别标准,保证背景的“纯洁”。然后组建加强区分条件,以获得更准确的前景轮廓。
概率背景差法:通过正态分布模型来分辨前景和背景,允许背景色在一定显著性水平内波动。偏差超过临界值则认为是前景。对于正态分布模型的构建,我使用逐个去除小概率点的做法来估计均值和方差,但今天发现还有更好的做法:波动中位数最小法。
连通性处理:通过寻找连通分支的方法去除轮廓图中的噪点。效果不错。主要流程为:中度腐蚀-求3维最大连通分支-高度扩张-与原始图像做And运算-Open-Close运算
相关文章推荐
- 碎碎念-简单回顾一下最近的工作
- 一周最新示例代码回顾 (4/23–4/29)
- 一周最新示例代码回顾 (4/30–5/6)
- 一周最新示例代码回顾 (5/7–5/13)
- 回顾一下最近的工作状态!
- 一周最新示例代码回顾 (5/28–6/3)
- 2014年工作难点疑点、有价值的点回顾
- 8.3简要说明RFID系统的时隙ALOHA算法的工作过程。
- 从毕业到工作,回顾我的2013
- 【粉数码】一周回顾
- ITeye 2012年8月最后一周重要新闻回顾
- 第一周回顾
- 一周最新示例代码回顾 (4/2–4/8)
- 一周内容回顾(10.10-10.17)
- 我的程序员成长之路——回顾自己三年的工作
- 盘点丨DeepMind 2017年工作回顾:从AlphaGo Zero到Parallel WaveNet
- 工作一周的感想—加油!
- 一年工作回顾
- 回顾工作,迎接2016
- android知识回顾之view工作流程